Rancang Bangun Sistem Pendeteksi Aneka Ragam Buah Menggunakan MobileNetv2
DOI:
https://doi.org/10.60083/jsisfotek.v5i2.217Keywords:
Artificial Intelligence , Deep Learning, Convolutional Neural Network, SSD MobileNetv2, TensorFlowAbstract
Teknologi saat ini berkembang dengan sangat cepat, tidak terkecuali kan dalam bidang Artificial Intelligence (AI) atau yang lebih kita kenal dengan sebutan kecerdasan bawaan. Salat satu metode yang digunakan dalam pembuatan AI ini adalah Deep Learning. Deep learning menggunakan pendekatan dalam pembelajaran mesin menggunakan jaringan saraf tiruan dalam mempelajari pola-pola yang kompleks, keunggulan dari deep learning adalah kemampuannya dalam mempelajari dan memproses data yang sangat besar dan kompleks. Dalam penelitian kali ini algoritma deep learning yang akan digunakan adalah Convolutional Neural Network (CNN) yang mana telah menjadi fondasi untuk berbagai aplikasi berbasis AI yang sukses. CNN sendiri saat ini memiliki beberapa arsitektur, pada penelitian kali ini arsitektur yang digunakan adalah SSD MobileNetv2. Pada sistem kali ini akan menggunakan library untuk melatih model nya menggunakan TensorFlow, sistem ini dibangun guna membantu para penyandang tunanetra yang memiliki keterbatasan kemampuan dalam penglihatannya untuk mampu mengenali aneka ragam buah-buahan.
References
Q. Xiang, X. Wang, R. Li, G. Zhang, J. Lai, and Q. Hu, “Fruit image classification based on Mobilenetv2 with transfer learning technique,” in Proceedings of the 3rd international conference on computer science and application engineering, 2019, pp. 1–7.
E. Khan, M. Z. U. Rehman, F. Ahmed, and M. A. Khan, “Classification of diseases in citrus fruits using SqueezeNet,” in 2021 International Conference on Applied and Engineering Mathematics (ICAEM), IEEE, 2021, pp. 67–72.
Z. Syahputra, “PENERAPAN SSD-MOBILENET DALAM IDENTIFIKASI JENIS BUAH APEL,” Indonesian Journal of Education And Computer Science, vol. 1, no. 1, pp. 1–6, 2023.
W. M. Baihaqi, F. Sulistiyana, and A. Fadholi, “PENGENALAN ARTIFICIAL INTELLIGENCE UNTUK SISWA DALAM MENGHADAPI DUNIA KERJA DI ERA REVOLUSI INDUSTRI 4.0,” RESWARA: Jurnal Pengabdian Kepada Masyarakat, vol. 2, no. 1, pp. 79–88, 2021.
K. Umi, “Pengenalan Kecerdasan Buatan (Artificial Intelligence) Kepada Para Remaja,” Universitas Bina Darma, 2022.
J. Pujoseno, “Implementasi Deep Learning Menggunakan Convolutional Neural Network Untuk Klasifikasi Alat Tulis,” 2018.
W. Dadang, “Memahami Kecerdasan Buatan berupa Deep Learning,” Mach Learn, 2018.
L. Deng and D. Yu, “Deep learning: methods and applications,” Foundations and trends® in signal processing, vol. 7, no. 3–4, pp. 197–387, 2014.
Y. Bengio and Y. LeCun, “Scaling learning algorithms towards AI,” Large-scale kernel machines, vol. 34, no. 5, pp. 1–41, 2007.
P. Arfienda, “Materi Pendamping Memahami Convolutional Neural Networks Dengan Tensorflow.” 2019.
Nurfita, Royani Darma, and S. Gunawan Ariyanto, “Implementasi Deep Learning Berbasis Tensorflow Untuk Pengenalan Sidik Jari,” 2018.
C. G. W. Pramana, D. C. Khrisne, and N. P. Sastra, “Rancang Bangun Object Detection Pada Robot Soccer Menggunakan Metode Single Shot Multibox Detector (SSD MobileNetV2),” Jurnal SPEKTRUM Vol, vol. 8, no. 2, 2021.
S. Fuady, N. Nehru, and G. Anggraeni, “Deteksi Objek Menggunakan Metode Single Shot Multibox Detector Pada Alat Bantu Tongkat Tunanetra Berbasis Kamera,” Journal of Electrical Power Control and Automation (JEPCA), vol. 3, no. 2, pp. 39–43, 2020.
I. M. G. Sunarya et al., “Deteksi arteri karotis pada citra ultrasound b-mode berbasis convolution neural network single shot multibox detector,” Jurnal Teknologi dan Sistem Komputer, vol. 7, no. 2, pp. 56–63, 2019.
S. Apendi, C. Setianingsih, and M. W. Paryasto, “Deteksi Bahasa Isyarat Sistem Isyarat Bahasa Indonesia Menggunakan Metode Single Shot Multibox Detector,” eProceedings of Engineering, vol. 10, no. 1, 2023.
V. A. Sutama, S. A. Wibowo, and R. Rahmania, “Investigasi Pengaruh Step Training pada Metode Single Shot Multibox Detector untuk Marker dalam Teknologi Augmented Reality,” Jurnal Ilmiah Fifo, vol. 12, no. 1, pp. 1–11, 2020.
I. Mudzakir and T. Arifin, “Klasifikasi Penggunaan Masker dengan Convolutional Neural Network Menggunakan Arsitektur MobileNetv2,” EXPERT: Jurnal Manajemen Sistem Informasi Dan Teknologi, vol. 12, no. 1, pp. 76–81, 2022.
R. O. Ekoputris, “MobileNet: Deteksi Objek pada Platform Mobile,” Medium, May, vol. 9, 2018.
D. Manajang, S. R. U. A. Sompie, and A. Jacobus, “Implementasi Framework Tensorflow Object Detection API Dalam Mengklasifikasi Jenis Kendaraan Bermotor,” Jurnal Teknik Informatika, vol. 15, no. 3, pp. 171–178, 2021.
S. R. Dewi, “Deep Learning Object Detection Pada video menggunakan tensorflow dan convolutional neural network,” 2018.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 Jurnal Sistim Informasi dan Teknologi
This work is licensed under a Creative Commons Attribution 4.0 International License.
